DCE-MRI和醉酒驾车集成乳房病变的评估和异质性量化

文摘

为了更好地预测和跟踪治疗反应在癌症患者中,有越来越多的非侵入性兴趣描述肿瘤异质性基于MR图像具有不同的对比和定量信息。这需要整合这些数据的机制,降低数据维度水平适合解释人类读者。在这里,我们提出一种两步管道集成扩散和灌注磁共振成像,我们展示乳房病变异质性量化的。首先,图像获得的两种形式是一致的使用一个联合登记。Dissimilarity-based然后利用进行聚类的信息来自两种形式。为此特别距离度量是开发和测试调优的加权两种形式。分布的扩散参数值条件确定的算法是通过非参数提取和比较测试的后评估组织的异质性。结果表明,联合开采带来的信息DCE和醉酒驾车导致一致的结果占灌注和微观结构信息产生更大的细化分割比单独处理的两种形式,符合手工绘制的放射科医生访问相同的数据。

1。介绍

对癌症治疗的反应越来越分化不仅基于肿瘤类型,而且在基因和组织化学生物标记。举例在这方面的进步是乳腺癌。Biopsy-derived组织学生物标志物提供高生物特异性和扮演重要的角色在决定化学治疗剂的选择。不同部位的肿瘤通常显示不同的组织学特征或已经进化到肿瘤进展的不同阶段可能影响他们对一个给定的反应治疗,重要的是要获得一个完整的肿瘤的报道。活检,然而,很难定位在乳房内,受到抽样错误,很少可以重复。因此,越来越多的临床兴趣的可能作用成像描述肿瘤的解剖和生理的异质性(1,2]。

磁共振成像(MRI)方法如动态对比增强(DCE)和扩散加权(DW)核磁共振方法在那些感兴趣的,因为他们提供的数字生物标志物具有良好的空间范围和可重复性3]。DCE-MRI使用串行采集的图像期间和之后注入静脉注射对比剂和已被证明,以反映肿瘤血管质(4,5]。醉酒驾车,另一方面,生成图像敏感排水量的扩散范围,可以用来计算一个定量指标反映出明显的自由扩散(表观扩散系数(ADC))。临床前和临床数据表明,ADC反映区域细胞结构(6- - - - - -8]。

DCE-MRI有乳腺癌检测的灵敏度高(89 - 100%),而醉酒驾车已经表明效用在预测合适的治疗和监测反应(9]。公认的弱点DCE和DW-MRI是他们之间缺乏特异性肿瘤类型重叠良性和恶性病变导致的结果变量特异性(37 - 86%)(9]。这并不是完全出人意料,因为在癌症的共同特征往往包括细胞增殖等过程,血管生成和坏死。DCE的能力——DW-MRI提供空间描述肿瘤内这些解剖和生理条件让他们自然探索肿瘤异质性的工具。MRI的报告长期依赖视觉评估的几个扫描有不同的对比,但与乳腺癌,很少有研究利用这种固有的multiparametric数据以统一的方式(10- - - - - -12]。此外,最近的工作主要是解决这一问题的回顾性比较和整合来自不同的模式,没有利用连接的信息。然而,这些作品突出了结合DCE-MRI和醉酒驾车的潜力来区分肿瘤的核心从瘤旁组织和正常组织,从而提供一个病变异质性(13]。

在这项工作中,我们提出了多通道集成DCE-MRI提供的信息和醉酒驾车的乳腺癌病变评估他们的异质性,也就是说,将病变分为区域共享某些相似性在使用组合信息来自不同成像领域。这个协议的最终目的是让更广泛的、可再生的特征的异质性肿瘤,先前被临床医生。

在所有先前的报道乳腺癌病灶分割DCE曲线的表示和ADC图,向量空间的特征定义的图像值(14- - - - - -17]。在这工作一个不同的方法是利用dissimilarity-based表示(DBR) [18]。dissimilarity-based表示的概念由关注之下,或对象和测量之间的距离,通过一个合适的标准。这个词对象是指,在现在的环境下,信息由每个特定立体像素表示。这些信息不需要一个类型,在本例中包括信号强度(即。DCE-MRI time-intensity增强曲线)和ADC参数值(来自DW-MRI)。DBR中的关键概念的距离的关系两个物体之间,不需要显式地表示为一个特征空间。对象是通过两两相异特征;而不是使用绝对描述的对象通过一组特性,problem-centric知识是用来定义一个度量,估计对象之间的不同。这里,DCE和醉酒驾车导致这样的措施导致小说多通道组织表征方法。

本文组织如下。部分2介绍了管道包括集群和登记处理步骤。部分3介绍了结果,然后部分中讨论4,部分5得出的结论。

2。材料和方法

本节概述的管道图所示1和细节的方法选择对集群和登记。DCE-MRI数据第一视觉检查来确定一个时间点,病变的对比度越高对周围组织。多通道登记DW-MRI和DCE-MRI图像之间进行,允许一个空间映射两卷。Dissimilarity-based然后执行聚类集成信息采集模式。组成的非参数测试,统计分析应用于定义的ADC分布获得集群。评估的结果是由临床专家,为了完整性,集群的紧张和分离的评价也执行。

2.1。多通道登记

为了执行voxelwise dissimilarity-based DCE-MRI和醉酒驾车都纳入了数据的聚类,有必要首先空间对齐两个数据集。注册DCE-MRI和酒后驾驶的问题变得日益困难的任务在一个高度可压缩和弹性组织喜欢乳房,不均匀各向异性软组织,固有的非刚性的行为,指导注册和缺乏坚实的地标性建筑固定引用。使用一个标准的注册协议。由于高度不同的两种模式的对比和强度特征以及醉酒驾车的低分辨率卷,注册过程分为两个步骤,每一个遵循一个标准的多分辨率策略。在第一步中,先后进行了刚性和仿射转换为了对齐和匹配的特性固定(DCE-MRI)和移动的(驾车)5级后图像高斯尺度空间。在第二步中一个多分辨率三次b样条变换与正规化处罚执行弹性细化对齐。Lesion-specific面具使用基于区域划定由临床专家为了分配一个更大的重量压在病变区域(19]。归一化互信息(敝中断)用作登记指标。为了调整变形,我们使用弯曲的能量损失是基于转换的空间衍生品(20.]。实现的方法用于登记Elastix [19),所有文献[广泛验证的步骤20.,21]。

注册协议应用于醉酒驾车的b0图像数据集及其转换为每个主题DCE-MRI空间验证通过目视检查一个专家。由此产生的转换应用于剩下的b值,ADC转换醉酒驾车图像估计。

2.2。Dissimilarity-Based聚类方法

下一步的处理方法是建设一个不同矩阵。这个矩阵由一组行向量,每个体元一个。这些向量表示向量空间中的体素构造相异的体素。通常,这种空间可以安全地视为一个欧氏空间配备标准的内积的定义。

让是一个分布的数据集。给定一个不同功能,视数据映射被定义为链接所谓的不同空间(22]。完整的不同表示收益率组成的方阵所有成对的对象之间的异同,这样每个对象的描述维不同向量。

一个距离函数基于自适应不同指数首次提出在23在之前的工作中被利用24)计算两两之间的距离DCE-MRI灌注曲线。量化地有两种主要的方法来比较两个时间序列:一个利用绝对值的元素之间的距离,另一关注他们的行为的相似性。与传统时间序列距离函数,它只关注的亲密值观察到相应的时间点,忽略元素之间的相互依存关系描述时间序列的行为,提出了距离函数考虑了距离对值以及邻近的时间相关行为。两个voxel-derived灌注曲线和,亲密行为被定义为其单调性的结合,也就是说,如果曲线同时增加或减少,和亲密的增长率决定一段(23]。时间相关标准都是量化的出现在距离函数的第一项,(1)。完整的距离函数为DCE-MRI派生灌注曲线定义如下: 在哪里和是两个voxel-derived灌注曲线采样时刻瞬间吗(23,25]。Cort时间相关(2),豪斯多夫距离,定义在(3),这是用来测量两个voxelwise灌注曲线之间的距离: 扩散信息的集成到不同功能是通过添加一个ADC-dependent术语(4)。这个词被定义为乙状结肠函数利用adc(规范化的区别和的体素在考虑),范围从0到1:

调优参数权重的贡献完全不同的措施通过调制乙状结肠的形状函数。当规范化区别ADC的价值很低,表示类似的体素之间的ADC值,不同的功能接近零。相反,当规范化区别ADC的价值高,表示一个大型体素之间的ADC值之间的不同,方法一,使整体不同测量方法的价值。不同的价值观的影响如图2。

完整的不同功能的产品吗和: 这个全球测量使监测性能的函数相对体重的ADC,以及不同的值。

2.3。性能评估

在每一个病人,一个ROI的病变周围划定了一个专家motion-corrected DCE-MRI卷。由于非监督分类是敏感数据的一般结构和分布,ROI是超过提高病变的面积,允许一个清晰的描述非均质性的ROI内的病变。基线time-intensity曲线归一化和相应的ADC值从ROI内的像素点被视为独立的对象在一个立体像素分布的基础上。使用从(5),一个不同的矩阵slicewise基础上派生的两两相异元素对应的ROI。在这样一个空间,每个元素代表是一个行向量的维数定义的基数的ROI。

一旦建立了不同空间,则算法(26)是用于组织体素在ROI集群。初始质心计算初步聚类后自动随机子样品,作为一个策略来改善算法初始化避免遗忘最初的种子。——最小化所有集群point-to-cluster-centroid距离within-cluster资金的使用,在这种情况下,平方欧氏距离。

为选择数量的集群标准临床评估协议已经被考虑。它认为只有三个类(持久,高原,没有用)。额外已经包括了周围组织考虑到投资回报率超过估计的极限提高病变。

为了执行一个与聚类方法建立过程是基于功能特性也表现在形态学方法。这种方法依赖于描述符来自voxelwise time-intensity曲线,包括主要的形状曲线的具体特征。特征提取DCE-MRI voxelwise time-intensity曲线基线,最大信号差异,时间达到峰值,曲线下面积,最大的提高,用速度,最大坡度的增加,冲洗速度,和直线拟合的拦截与轴time-intensity曲线的尾部。这些形态特征的使用和定义来描述造影剂摄取中可以找到相关文献[14,17,27]。此外,聚类过程是重复将各体素的ADC作为附加的功能形态学描述符向量计算。ADC和形态学特性被减去标准化意味着,除以标准差。这两个过程的结果相比,我们的方法,以评估集群和数据表示的结果。

2.4。患者人群

从21例(年龄获得的数据年)。所有的病患被诊断主要性导管癌。

酒后驾驶与收购单发旋转回声(SE)回波平面成像(EPI)序列在三个正交方向扩散编码(,,4)使用值(,,和s /毫米²与并行成像(加速度)的因素)。受试者自由呼吸,没有控制应用。数据集由横向片(片厚度毫米,没有片)和TR / TE的差距,矩阵在视野(FOV)毫米。

DCE-MRI执行使用3 d t1 FLASH序列(TR / TE翻转角度)和矩阵的收购和视野(FOV) 。每一个片设置在90年代收集约的时间点分钟的扫描。静脉导管放置在一个肘前的交付对比剂,gadopentetate dimeglumine(马根维显,韦恩,新泽西,美国)(其次是生理盐水冲洗)在收购一个基线动态扫描。DCE-MRI时间系列是运动修正使用扫描仪制造商的内联程序。

3所示。结果

dissimilarity-based集群所带来的地区被呈现为彩色形态学图像在每片覆盖。代表病人的结果显示在图中3。集群上执行后的归一化曲线,由此产生的集群是由放射科医生评估验证中央tumoral及周边区域的分割。图3 (b)显示的示例集群获得,而数字3 (c)和3 (d)代表平均的情节time-intensity灌注曲线计算原始和归一化数据,分别。情节显示正常化一步的影响突显出intercluster差异。中部地区展览DCE-MRI特征模式的高早期增强了快速冲刷,表明血管生成(图3 (d)红线)。通常,围绕这个中心地区奠定了集群特色模式的快速增强,后跟一个高原(图信号3 (d)、橙色线)。最外层的集群围绕这两个中心区域特性缓慢增强行为(图3 (d)黄线)。相对应的像素点提取每个集群的空间注册3 d ADC地图为了执行统计分析。分析在整个3 d进行ROI,即考虑到ADC值对应于所有集群片作为一个单独的体积。正常测试(Jarque-Bera)显示,不同集群的ADC值分析不是正态分布。因此,使用一个非参数测试(Wilcoxon-signed-rank测试)()来评估肿瘤的条件是否与区域的ADC与统计地图不同的pdf文档。这样我们发现DCE-MRI定义区域的ADC值分布在统计学上不同,在每个两个条件之一的病人。

放射科医生回顾了覆盖相比,DCE视为一个动态的循环,醉酒驾车的图片,和ADC图来自他们,以及T2搅拌图像。标准的审查是否任何条件获得的方法与坏死区基于完整的图片和一个或多个区域是否会分为良性或恶性细分。

图4演示了一个典型的案例1、3和5。结果所反映出的是专家的不同参数的有效性强调不同的病变特点。一个高允许核心肿瘤之间的歧视和周边地区提供更高的体重adc的区别。这主要是因为有一个渐进的ADC增加肿瘤的核心peritumor组织正常组织,导致局部区域的可能性使用ADC分期(28]。降低允许基于DCE-MRI不同细分的核心和评估肿瘤的异质性多亏了DCE的平衡的贡献和驾车的距离函数。

为了集群不同方法之间的比较和验证,使用的轮廓分析的聚类结果。轮廓分析衡量接近每一个点在一个集群是分在同一个集群和多远点邻近的集群。这是集群由定量比较紧张和分离和其平均宽度提供了一个评估集群效度(29日]。轮廓分析强调了一种改进的性能31%的集群进行使用对既定的方法,采用形态学特征源自DCE-MRI time-intensity曲线和ADC作为一个额外的功能(表1)。

4所示。讨论

一般策略,我们演示了基于多维数据来源于不同集群扩散和灌注磁共振成像。扩展算法的额外的数据很简单,尽管计算需求上升,相似性度量可能需要进一步结合上下文相关的知识。作为检查肿瘤异质性肿瘤,肿瘤的基础上进行,可以限制数据空间区域包含病变已经找到,但不一定是分段。具体使用DCE和DW-MRI,醉酒驾车的低分辨率数据部分体积效应提出了一个问题,影响小的聚类病变,但这个问题不是针对任何一个表征策略。

两个协议的自由参数:集群的数量(),和相对权重的扩散数据(),保证讨论目前的工作只提供了一个近似开始他们的选择,和值很可能依赖于病理。此处使用非监督分类,集群的数量应该遵循的实际结构和分离数据分为自然组。

对乳腺导管癌等肿瘤DCE-MRI数据的报告目前基于三方分工,而醉酒驾车是二进制的正常和异常的。3 DCE曲线类型(上升和下降,上升到高原,和稳步上升)建立了临床效用在预测肿瘤恶性肿瘤(30.]。然而,这并不是说,只有三个子组是可能的,也没有这些再分组预测治疗反应,即动机研究肿瘤的异质性。事实上,作品如(14)表明,随着时间分辨率的增加,更多的曲线自然原型可以识别和可用于分类voxelwise灌注曲线。

因此,我们认为它值得注意,当减少到只有三或四组,这些都是与3增强模式识别(或这三个和non-enhancement)用于评估乳腺癌的临床实践。组的限制,与DCE-MRI时间进程模式符合恶性和良性肿瘤同时利润非常密切地与肿瘤由放射科医生。增加了值显示预期的进步这些团体的分裂增加了,提供一个区别这个分裂的方式进行基于相对体重的扩散数据。增加集群的数量的好处是明显的异质性对于理解病变和某些相似的体素的分布;然而,集群的数量的增加应该手手与集群和数据分析技术,以避免虚假或无意义的分歧。整个协议也将受益于一种集成方法如集群乐团,为了结合多个基本聚类完成不同值到一个统一的综合聚类,达到共识的解决方案。

肿瘤的主要标准的无创性评估基于DCE MRI涉及三个增强模式(4包括坏死/ nonenhancement)。在临床资料用于本研究评估标准验证有限的视觉解释增强模式基于DCE曲线的传统解释,ADC reader-dependent公司的信息。最终,设想应用程序在预测和评价治疗效果。如果肿瘤异质性的灌注和扩散是包含传统三通分类确实可能不是足够的或适当的和其他器官这个评级是不常见的。我们现在考虑健壮的方法进一步验证处理管道,使多通道分析的临床开发。进入地面真理之外的辐射和活检评估是必要的,可能需要voxelwise比较组织学的切除术,手术的过程,需要修改不合理的第一个示范的方法。甚至是组织学图像数据可用,一个重要的任务仍在个人MRI体素的空间相关性与组织学结果为了得到必要的voxel-scale验证。

5。结论

在本文中,我们提出了一个通用方法对异质性量化相结合的信息扩散(多孔性的一项指标)和灌注(反映血容量、流量和血管通透性)的MRI图像和插图导管癌的应用程序中使用。multimodal集群的示范说明导致提高选择性和收益率更细化分割的组织内的损伤比单独处理两种方式。

通过展示统计上一致的子组可以被定义在肿瘤基础上结合DCE-MRI和DWI-MRI数据,我们还表示一种客观分段肿瘤可用于临床影响更大的研究。此外,统计不同灌注区域内肿瘤的出现在中度和低的ADC权重,进而统计不同的ADC分布表明现在有一个可用的区别不是大写在目前的临床实践。

引用

1. 诉Sharifi-Salamatian, b . Pesquet-Popescu j . Simony-Lafontaine, j . p . Rigaut“指数空间异质性在乳腺癌,”杂志的显微镜,卷216,不。2、110 - 122年,2004页。视图:出版商的网站|谷歌学术搜索
2. x杨和m . v . Knopp”量化肿瘤血管异质性与动态对比增强磁共振成像:复习一下,”生物医学和生物技术杂志》上文章ID 732848卷,2011年,12页,2011。视图:出版商的网站|谷歌学术搜索
3. m·c·劳埃德·Allam-Nandyala c n Purohit et al .,“使用图像分析作为一种工具来评估预后和预测乳腺癌生物标记:它有多可靠?”病理学杂志》上的信息第二十九条,卷。1日,2010年。视图:出版商的网站|谷歌学术搜索
4. m . v . Knopp f . l . Giesel h·马科斯,h·冯·Tengg-Kobligk和p . Choyke”动态对比增强磁共振成像在肿瘤学:理论,数据采集,分析,和例子,”主题在磁共振成像,12卷,不。4、301 - 308年,2001页。视图:出版商的网站|谷歌学术搜索
5. m·苏y y . c .张j.p. Fruehauf et al .,”相关的动态对比增强磁共振参数与微脉管密度和VEGF对乳腺癌血管生成的评估,“磁共振成像杂志》上,18卷,不。4、467 - 477年,2003页。视图:出版商的网站|谷歌学术搜索
6. p•吉布斯g . p .细的m . d .泡菜,b . Zelhof g·罗德里格斯和l·w·特恩布尔”相关的ADC和T2测量与前列腺癌的细胞密度在3.0特斯拉,”调查放射学,44卷,不。9日,第576 - 572页,2009年。视图:谷歌学术搜索
7. y松本,m .黑田r . Matsuya et al .,“体外实验研究的表观扩散系数之间的关系和多孔性和细胞形态学改变,”肿瘤的报道,22卷,不。3、641 - 648年,2009页。视图:谷歌学术搜索
8. m·d·詹金森d . g . Du Plessis) t . s . Smith, a . r . Brodbelt k·a·乔伊斯和c·沃克,“细胞结构和表观扩散系数oligodendroglial肿瘤基因型,”《神经肿瘤学学会举办的,卷96,不。3、385 - 392年,2010页。视图:出版商的网站|谷歌学术搜索
9. c·帕特里奇,w . b . DeMartini b.f. Kurland p . r . Eby s . w .白色,和c d·雷曼“定量diffusion-weighted成像作为一个兼职为改善传统乳腺MRI阳性预测值,”美国放射学杂志》,卷193,不。6,1716 - 1722年,2009页。视图:出版商的网站|谷歌学术搜索
10. t . e . Yankeelov m .理答:Chakravarthy et al .,“集成定量DCE-MRI和ADC映射来监测治疗反应在人类乳腺癌:初步结果,“磁共振成像,25卷,不。1,1-13,2007页。视图:出版商的网站|谷歌学术搜索
11. l·r·延森加尔松b、m . g . Heldahl et al .,“Diffusion-weighted和动态对比增强磁共振成像在早期治疗效果评价新辅助化疗在乳腺癌患者中,“磁共振成像杂志》上,34卷,不。5,1099 - 1109年,2011页。视图:出版商的网站|谷歌学术搜索
12. h . Yabuuchi y松尾t Okafuji et al .,“增强对比度增强乳房先生成像质量:病变特征使用组合的动态对比度增强和diffusion-weighted图像,先生”磁共振成像杂志》上,28卷,不。5,1157 - 1165年,2008页。视图:出版商的网站|谷歌学术搜索
13. z伊利,h .晓燕司et al .,竑雯d“diffusion-weighted成像的价值评估的ADC变化组织毗邻乳腺癌,”BMC癌症第18条,卷。9日,2009年。视图:出版商的网站|谷歌学术搜索
14. c . Lavini m·c·德容m . g . h . van de Sande p p .达克,a . j . Nederveen和m .马斯河”像素DCE MRI曲线的分析模式,并说明其应用的肌肉骨骼系统的成像,”磁共振成像,25卷,不。5,604 - 612年,2007页。视图:出版商的网站|谷歌学术搜索
15. c·k·库尔·Mielcareck s Klaschik et al .,“动态乳房成像先生:信号强度时间进程数据用于增强病变的鉴别诊断?”放射学,卷211,不。1,第110 - 101页,1999。视图:谷歌学术搜索
16. h . Degani诉古巷,d·温斯坦,s .字段和s·斯特拉诺,”映射乳房肿瘤的病理生理功能磁共振成像在高空间分辨率,”自然医学,3卷,不。7,780 - 782年,1997页。视图:出版商的网站|谷歌学术搜索
17. y加,a . Mehnert a·布拉德利·d·肯尼迪,美国牧杖,“病变的特征和分类器的选择进行自动分类的动态对比增强磁共振乳腺癌,”《数字图像计算:技术和应用程序(格言' 09)2009年12月,页132 - 139。视图:出版商的网站|谷歌学术搜索
18. e . Pekalska p Paclik, r·p·w·Duin“广义内核dissimilarity-based分类方法,”机器学习研究杂志》上,2卷,第11条,2002年。视图:谷歌学术搜索
19. s . Klein m .盯着k .墨菲·m·a·Viergever和j·p·w·Pluim”Elastix:灰度医学图像配准的工具箱,”IEEE医学成像卷,29号1,第205 - 196页,2010。视图:出版商的网站|谷歌学术搜索
20. d .做出“非刚性的注册使用自由格式的变形:应用乳腺图像,先生”IEEE医学成像,18卷,不。8,712 - 721年,1999页。视图:谷歌学术搜索
21. 郭y, r . Sivaramakrishna c . c . Lu j . s .苏瑞和s . Laxminarayan“乳腺图像配准技术:一项调查,”医学和生物工程和计算机,44卷,不。1 - 2,15-26,2006页。视图:出版商的网站|谷歌学术搜索
22. 大肠Pekalska和r·p·w·Duin模式识别的不同表示形式:基础和应用程序卷,64字的科学,2005。
23. 公元Chouakria和p . n . Nagabhushan”自适应不同指数时间序列测量距离,”先进的数据分析和分类,1卷,不。1,5 - 21日,2007页。视图:出版商的网站|谷歌学术搜索
24. c·a·门德斯f . Pizzorni Ferrarese, p·萨默斯et al .,“多通道mri在乳腺导管癌组织分类,”学报》第九届IEEE国际研讨会生物医学成像(位ISBI 12),第145 - 142页,2012年。视图:谷歌学术搜索
25. a . Douzal-Chouakria和c . Amblard”时间序列分类树,”模式识别,45卷,不。3、1076 - 1091年,2012页。视图:谷歌学术搜索
26. 许r和d·温斯迟,”调查的聚类算法IEEE神经网络,16卷,不。3、645 - 678年,2005页。视图:出版商的网站|谷歌学术搜索
27. m . w . Chen l .生姜,比克,戴德,和通用汽车“动力学曲线特征的自动识别和分类DCE-MRI乳房病变,“医学物理学,33卷,不。8,2878 - 2887年,2006页。视图:出版商的网站|谷歌学术搜索
28. j . Barcelo j . c . Vilanova,月神,“醉酒驾车的乳腺癌,”外扩散磁共振成像的大脑,第230 - 203页,2012年。视图:谷歌学术搜索
29. p . j . Rousseeuw”剪影:图形援助的解释和验证聚类分析,“计算和应用数学杂志》上卷。20日,53 - 65年,1987页。视图:谷歌学术搜索
30. 美国大学的放射学,乳腺影像报告和数据系统阿特拉斯(BI-RADS阿特拉斯),2003年。

版权

版权©2012 c·安德烈斯门德斯等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。